Timu ya Qwen ya Alibaba imezindua Qwen3.8-Omni-Flash, mtindo wa kizazi kijacho wa omnimodal ambao unakubali maandishi, picha, sauti na ingizo la video kupitia dirisha moja la muktadha la tokeni milioni 1. Toleo hili, lililofafanuliwa kwa kina kwenye blogu rasmi ya Qwen, linaashiria msukumo mkali zaidi wa timu bado wa kubadilisha sauti na video kutoka kwa pembejeo za kawaida hadi njia ya msingi ambayo mawakala wa AI hutambua na kuchukua hatua kwa ulimwengu.
Kutoka Kuelewa Vyombo vya Habari hadi Kuifanyia kazi
Lengo lililotajwa la Qwen3.8-Omni-Flash sio tu ufahamu bora wa vyombo vya habari. Kulingana na timu ya Qwen, modeli hiyo imeundwa kuendeleza mifumo ya kila hali kutoka kwa "kuelewa maudhui ya hali zote" hadi "kazi za kupanga, zana za kupiga simu, na kukamilisha kazi ya ubunifu." Kwa mazoezi, hiyo inamaanisha kuwa mtindo huo unalenga mtiririko wa kazi kama vile kuhariri video, kuunda video za muziki, utengenezaji wa filamu na maoni, muhtasari wa sauti na kuona, na mazungumzo ya sauti ya wakati halisi.
Uundaji huu wa wakala hutenganisha toleo kutoka kwa miundo ya awali ya moduli nyingi ambazo zilichukulia sauti na video kama pembejeo za kunukuliwa au kuelezwa. Qwen anasema kuwa sauti na video zinabadilika na kuwa "vyombo vya habari vya msingi ambavyo mawakala huelewa mazingira yao, sababu, na kutekeleza majukumu" - madai ambayo kampuni inaunga mkono kwa msururu wa matokeo ya kipimo cha mawakala.
Nambari Nyuma ya Kutolewa
Katika tathmini 29 zinazohusu hoja za sauti, hoja za sauti na kuona, na vigezo vya wakala wa sauti-kuona, Qwen anasema wastani wa alama za modeli huboreshwa kwa zaidi ya 25% kuliko mtangulizi wake, Qwen3.5-Omni-Plus. Matokeo ya vichwa vya habari yaliyoripotiwa kwenye blogu ya Qwen ni pamoja na:
- Faida ya pointi 36.5 kwenye WildClawBench-MM na pointi 22.3 kwenye AgenticVBench, viwango viwili vya mawakala wa kutazama sauti, pamoja na alama 69.6 kwenye UniClawBench.
- Uboreshaji wa pointi 8.3 kwenye LongAudioSpan na faida ya pointi 9.6 kwenye OmniVideoBench kwa uelewa wa sauti na video wa fomu ndefu.
- Mapungufu makubwa ya kiwango cha makosa katika unukuzi wa mikutano ya wazungumzaji wengi: AliMeeting DER ya modeli na cpWER ilishuka kutoka 88.11 na 89.61 hadi 3.35 na 17.18 mtawalia.
Kwa upande wa ushindani, Qwen analinganisha moja kwa moja na toleo la Google: kampuni inadai utendakazi wa sauti na kuona karibu na Gemini 3.8 Flash na utendakazi wa jumla wa sauti unaoizidi. Uthibitishaji wa kujitegemea wa ulinganisho huo utachukua muda, lakini umaalumu wa madai ya kiwango cha juu unaashiria kwamba Qwen anauchukulia mfano huo kuwa wa ushindani katika mipaka ya kazi ya kila hali.
Dirisha la 1M-Tokeni kwa Saa za Vyombo vya Habari
Dirisha lililounganishwa la muktadha wa tokeni milioni 1 bila shaka ndicho kipengele kinachofaa zaidi cha toleo. Kwa sababu sauti na video hutumia tokeni kwa kasi zaidi kuliko maandishi, miundo mingi ya multimodal katika uzalishaji hushughulikia dakika tu za maudhui kwa wakati mmoja. Dirisha la muktadha wa watu saba huruhusu kielelezo kushikilia saa za rekodi za mikutano, video zilizopanuliwa, au hati kubwa za midia mchanganyiko katika kipindi kimoja bila kugawanyika.
Qwen anabainisha kuwa muundo huu hudumisha utendakazi wa maandishi unaolinganishwa na muundo wa maandishi pekee wa ukubwa sawa - kushughulikia ubadilishanaji wa kawaida ambapo mafunzo ya kila hali yanaharibu uwezo wa lugha safi.
Kupunguzwa kwa Bei kwa 98% kwenye Uingizaji wa Sauti
Bei ni pale Alibaba inapotumia shinikizo zaidi. Kulingana na blogu, bei ya API kwa saa ya uingizaji wa sauti imeshuka kwa zaidi ya 98% ikilinganishwa na Qwen3.5-Omni-Plus, wakati bei kwa saa ya uingizaji wa sauti-visual iko chini zaidi ya 93%. Dokezo la mbinu la kampuni linasema kuwa bei za kila saa zinakadiriwa kuwa mara 30 ya gharama ya kuingiza data ya dakika mbili za nyenzo chanzo, na ingizo la sauti-visual likikokotwa kwa 720p na fremu 1 kwa sekunde.
Kwa wasanidi programu wanaojenga mawakala wa sauti, muhtasari wa mikutano, au mabomba ya uchanganuzi wa maudhui, gharama ya uingizaji mara nyingi ndio kikwazo cha lazima kwa kiwango. Kushuka kwa bei ya oda mbili-ya-kubwa hubadilisha bidhaa ambazo zinaweza kutumika kiuchumi - nguvu ile ile iliyoendesha wimbi la kwanza la API za marejeleo ya maandishi ya bei nafuu.
Upatikanaji na Mfumo ikolojia
Qwen3.8-Omni-Flash inapatikana sasa kwenye Jukwaa la AI la Qianwen, na ufikiaji wa API kupitia Alibaba Cloud Model Studio, ikijumuisha mwisho maalum wa wakati halisi kwa kesi za matumizi ya mazungumzo. Timu pia imechapisha kusaidia zana huria kwenye GitHub, ikijumuisha zana ya tathmini ya Qwen-Live-Harness na Qwen-MM-Plugins, ikiwapa wasanidi programu mahali pa kuanzia kujenga mawakala wa asili wa media juu ya modeli.
Uzinduzi huo ulitua kimya mapema mwanzoni mwa juma lakini ulipata msisimko mkubwa katika jumuiya ya wasanidi programu katika siku za hivi majuzi, na kuibua mjadala mkubwa kuhusu Habari za Hacker na habari kutoka kwa vyombo vya teknolojia vinavyofuatilia mfumo wa ikolojia wa mifumo huria.
Inamaanisha Nini kwa Mbio za Omnimodal
Toleo hili linaendelea na mkakati wa Alibaba wa kuoanisha bei kali na viwango vya ushindani katika familia yake ya Qwen, ambayo mara kwa mara imekuwa miongoni mwa nasaba za mifumo huria iliyopakuliwa zaidi duniani kote. Na Qwen3.8-Omni-Flash, kampuni inaweka dau kuwa uwanja unaofuata wa vita si gumzo la maandishi bali mawakala wanaoweza kutazama, kusikiliza, na kutenda - kuhariri picha, muhtasari wa mikutano, na kufanya mazungumzo ya sauti ya wakati halisi kama uwezo mmoja uliojumuishwa.
Kwa Google, ambayo Gemini 3.8 Flash ni sehemu ya ulinganisho dhahiri, ujumbe ni kwamba mpaka wa modi-mkubwa sio tena mbio za farasi wawili kati ya maabara za Amerika. Kwa wasanidi programu, mchanganyiko wa dirisha la moduli nyingi za tokeni 1M na ingizo la sauti lisilolipishwa hupunguza kizuizi kwa aina ya bidhaa za mawakala wa sauti na kuona ambazo hazikuwezekana kutumika kwa kiwango kidogo miezi michache iliyopita.
Iwapo madai ya kiwango cha Qwen yatadumu chini ya tathmini huru yataathiri jinsi tasnia inavyochukulia dau hilo kwa uzito. Lakini mwelekeo wa kusafiri uko wazi: timu zinazounda miundo ya mipaka sasa huona masikio na macho - sio kisanduku cha maandishi tu - kama kiolesura chaguo-msingi kwa mawakala wa AI.
Kaa Mbele ya AI
Mbio za kila mara zinaongezeka kwa kasi wiki baada ya wiki. Kwa habari muhimu zaidi za AI, uchanganuzi wa kina wa matoleo mapya ya miundo, na utangazaji wa zana zinazounda tasnia, soma habari zaidi za AI →.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
